基于H.264编码域的显著运动检测算法

视频监控中运动目标检测算法易受背景、噪声等因素的影响,导致运动检测准确性降低。针对该问题,提出一种基于H.264编码域的显著运动目标检测改进算法。该算法基于编码过程中帧间运动预测模块输出像素值的绝对差值和,计算其标准差以作为运动判据,同时自适应设置运动判断阈值,以降低背景和噪声的影响。实验结果表明,相比于传统的低复杂度算法,该算法能有效降低背景和噪声等因素的影响,提高显著运动目标的检测准确性。相比于传统的运动检测算法,该算法保持了计算复杂度低的特点,算法复杂度仅为帧间差分法的18.3%,更适用于实时性要求高的监控系统。     

基于Non_local means的时空联合视频降噪算法

针对监控视频图像的特点,提出了一种有效的实时视频降噪算法。首先结合多帧图像采用基于Non_local means的运动检测方法自适应地区分图像的运动区域和静止区域,对静止区域采用时域加权均值滤波,对运动区域采用空域ANL滤波。充分利用了视频的时域、空域信息,在去除视频序列噪声的同时很好地保护了图像的细节。实验结果表明,提出的算法在不造成运动拖影的前提下,能够显著提高视频的信噪比和图像的主观质量。     

一种针对H.264/AVC的帧间模式快速选择算法

为了进一步减小宏块的帧间预测误差,新的视频编码标准H.264/AVC采用了可变块划分运动估计,极大地增加了编码器的复杂度.针对此问题,提出了一种快速的帧间模式选择算法,该算法利用已编码相邻宏块的时间和空间相关性信息预先检测图像,对图像各区域可能采用的编码模式进行判定,从而大大简化了模式选择的过程.实验结果表明,算法可以在图像质量基本保持不变的基础上,有效地降低编码的复杂度.     

用于多峰函数优化的小生境差分演化算法

针对监控视频图像的特点,提出了一种有效的实时视频降噪算法。首先结合多帧图像采用基于Non—localmeans的运动检测方法自适应地区分图像的运动区域和静止区域,对静止区域采用时域加权均值滤波,对运动区域采用空域ANL滤波。充分利用了视频的时域、空域信息,在去除视频序列噪声的同时很好地保护了图像的细节。实验结果表明,提出的算法在不造成运动拖影的前提下,能够显著提高视频的信噪比和图像的主观质量。     

一种基于时空联合的实时视频降噪算法

针对监控视频图像的特点,提出了一种基于时空联合的实时视频降噪算法。该算法通过结合多帧图像进行运动检测,自适应地区分图像的运动区域和静止区域,对静止区域采用时域加权均值滤波,对运动区域采用空域ANL滤波。实验结果表明,该算法由于准确地区分了图像的运动区域和静止区域,充分利用了视频的时域、空域信息,在不造成运动拖影的前提下,能够显著提高视频的信噪比和图像的主观质量,同时满足实时性要求。     

利用改进的图像修复的联合帧间差错隐藏算法

针对图像修补的不足和视频帧间编码的特点,提出利用改进的图像修复的帧间差错隐藏联合算法.根据丢失宏块的周围宏块的运动相关性和正确接收情况对丢失宏块进行运动性和可用性判断,如果丢失宏块属于静止宏块且可用性不为零,则采用改进的图像修补隐藏帧间差错,否则采用外边界匹配准则进行差错隐藏;并在图像修补中对置信度、等照度和修复方向等方面进行了改进.该算法既发挥了图像修复对纹理丰富区域的修复优势,也克服了图像修补对运动区域的隐藏效果不好的缺陷.实验结果表明,该算法可以带来主观和客观质量上的提高,并且明显克服了外边界匹配算法带来的视频抖动.     

基于UMV的重构图像扩展算法及VLSI实现

在AVS视频解码系统中,针对运动补偿所需的参考宏块出界导致视频解码效率降低的问题,提出一种新型图像边界扩展算法重构了出界参考宏块,以获得相应运动向量进行完善的运动补偿。该算法基于视频解码系统流水线设计要求,同时考虑消除中间存储的需求,对图像数据进行分析,依据图像数据的不同类型和位置进行边界宏块像素的有序扩展,并采用二维存储机制提高效率,使得在运动补偿中实现了图像无限制运动向量(UMV),优化了图像运动补偿效果,提高了视频的解码效率。该算法采用Verilog HDL语言描述,经EDA软件仿真、综合及FPGA验证表明:该算法能够在图像运动补偿中获得出界参考宏块的运动向量,实现图像运动补偿的优化,本模块打开UMV后综合的芯片面积仅增加面积1.5%,而AVS视频解码系统采用UMV比不采用UMV解码效率明显提高。     

一种快速的帧场自适应编码算法

为提高隔行扫描视频的压缩效率,提出一种快速的帧场自适应编码算法。计算每个宏块对在帧、场模式下与前一帧相同位置宏块对的差异度,由此确定每个宏块对的编码模式,根据一幅图像中场宏块对与帧宏块对的统计信息,确定图像的运动剧烈程度,对运动剧烈的图像采用场编码,否则采用帧编码。实验结果表明,该算法在获得较高压缩率的同时,能降低计算复杂度。     

低复杂度视频编码算法研究与实现

研究帧内预测模式的选择。根据图像自身的特点,对其宏块的像素值进行平坦性分析,确定较小的模式搜索范围;再根据宏块的方向性,排除小概率预测模式,从而大大缩小视频帧内编码的搜索模式范围。实验表明,改进算法提高了编码效率,平均节省约52.40%的模式预测时间,在保证视频图像质量的同时,实现低复杂度的视频编码新算法。     

低复杂度视频编码算法研究与实现

研究帧内预测模式的选择。根据图像自身的特点,对其宏块的像素值进行平坦性分析,确定较小的模式搜索范围;再根据宏块的方向性,排除小概率预测模式,从而大大缩小视频帧内编码的搜索模式范围。实验表明,改进算法提高了编码效率,平均节省约52.40%的模式预测时间,在保证视频图像质量的同时,实现低复杂度的视频编码新算法。     

边缘振荡效应的自适应滤除算法

超分辨率图像重构技术已经被证明在卫星成像、视频监控、医学成像等研究领域中具有极其重要的应用价值。但是,由于超分辨率图像重构本身是一个病态求逆过程,在重构图像中所产生的边缘振荡效应往往很难在重构过程中予以消除。为此,文章提出了一个边缘振荡效应的自适应滤除算法。在该算法中,重构图像先被分割为均匀区域、边界区域和纹理区域,然后分别对这三类区域采用不同的滤波算法。实验结果表明,新算法在滤除边缘振荡效应的同时,较好地保存了超分辨重构图像的细节。     

The solutions of equation-based noise detector for an adaptive median filter

Techniques of noise detection have been widely applied in impulse noise reduction. However, the phenomenon of pixel misclassification is very obvious in high noise density. In order to improve pixel identification, in this paper, the new noise detector is proposed. Based on solutions of equations, an estimated block of every 8×8 block of a noise image is generated. Then, according to relationships between these noise blocks and their estimated blocks, corrupted and uncorrupted pixels are identified. During image filtering, a noise-detection-based adaptive median algorithm is presented. Experimental results show that the proposed filter can well reduce the impulse noise and preserve more details of original images.     

改进的自适应加权中值滤波算法

在分析了自适应算法和中心加权算法的原理和优势后,提出了一种改进的自适应加权中值滤波（IAWMF）算法。采用扩展边缘的方式,使原图像的所有像素点能够用噪声检测因子进行噪声检测,对含有噪声的图像采用自适应窗口（N ×N）的中心加权算法进行滤波,可以有效降低邻域噪声点对滤波图像质量的影响。仿真结果表明：改进算法在高浓度椒盐噪声条件下获得的实验效果峰值信噪比（ PSNR）、均值平方误差（MAE）、均值绝对误差（MSE）显著优于其他算法,在降噪和保持细节中取得很好的平衡。     

基于2级噪声检测的改进中值滤波算法

针对传统中值滤波算法去除高密度椒盐噪声能力的不足,提出了一种新的改进算法.该算法首先采用2级噪声检测方法对图像中的信号点和噪声点进行标识,然后对检测出的噪声点利用改进的中值滤波算法进行处理,而对信号点则保留其灰度值不变.实验结果表明,该算法能在有效去除噪声的同时很好地保留图像细节,相比于传统中值滤波及其它改进中值滤波算法,该算法获得的去噪后的图像具有更好的客观评价指标和主观视觉效果.     

基于运动筛选和3D卷积的视频早期烟雾检测

To solve the problem of high false alarm and high missed detection in the complex environment of early smoke detection based on video, a method based on motion extraction of suspected areas is proposed and a multi-scale 3D convolutional neural network with input of 6 frames（6M3DC） is designed for video smoke detection. Firstly, the motion regions are obtained through the background difference model after average filtering and the positions of the block in which the motion regions are located are calculated, and then the motion blocks are extracted by color judgment and mean HASH algorithm and the nonconforming blocks are updated to the background image. Finally, by combining the suspected blocks of the same region of 6 consecutive frames as the input for the 3D convolutional neural network for detection, blocks detected as smoke are marked and non-smoke blocks are updated to the background image. The experimental results show that the algorithm is adaptive to slow moving smoke and can detect smoke in complex environment.     

基于改进的高斯混合模型的运动目标检测

运动目标检测是实现目标跟踪、视频监控的基础.针对基于高斯混合模型的运动目标检测算法的不足,提出了一种基于分块思想和高斯模型个数自适应的改进高斯混合算法.利用对视频图像分块的思想,在提高目标检测效率的同时,实现对视频的滤波处理;并利用高斯混合模型中高斯分布个数自适应操作来降低算法复杂度,提高运动目标检测的速度.实验结果表明:该算法比传统高斯混合模型运动目标检测算法具有更快的检测速度和更好的检测效果,并降低了检测噪声,能有效地检测运动目标,适用于运动目标的实时检测.     

一种基于块的图像边缘分析方法

边缘检测是图像处理和计算机视觉中的基本问题,人眼视觉系统对图像中的边缘信息非常敏感,经常作为描述图像特征的一种重要手段。基于运动补偿和DCT变换编码的视频编码标准中,一幅图像分成大小相同不重叠的块进行编码,基于块的图像边缘分析在图像处理、去块效应滤波、模式选择以及基于内容的视频检索等方面有较广泛应用。提出了一种基于分析块边缘方向的边缘分析算法。实验结果表明,与其他算法相比,该算法在分析性能与计算复杂方面具有较明显的优越性。     

椒盐噪声图像的非局部平均滤波算法

针对非局部平均(NLM)方法对椒盐噪声图像滤波效果较差的问题,通过引入噪声检测结果扩展NLM方法去除图像中椒盐噪声。在噪声检测阶段,利用图像的两个极值Lmin和Lmax把图像像素点分为非噪声点和噪声点。在滤波阶段,非噪声点的灰度值保持不变。对于噪声点,如果以该噪声点为中心的自适应滤波窗口内均为噪声点,则认为该噪声点位于图像自身灰度值为Lmin或Lmax的区域内,使用两个极值的统计结果进行恢复。否则,采用改进的NLM方法滤除噪声。构造联合噪声检测模板避免噪声点对相似权计算的干扰,噪声点的恢复值由非噪声点的灰度值加权平均得到。此外,采用迭代滤波策略对高密度噪声图像噪声点进行恢复。相关去噪实验结果证实了算法去噪的有效性,不足之处是算法的时间复杂度较高。     

改进的自适应中值滤波算法

自适应中值滤波算法能有效地滤除图像的脉冲噪声,但是,随着噪声密度的增大,算法的滤波性能递减.当前对中值滤波算法进行改进的算法,也存在着相应的局限性.针对中值滤波算法的局限性,提出了改进的自适应中值滤波算法.算法根据滤波窗口的灰度极值进行噪声检测.对噪声点,用滤波窗口的灰度中值代替.如果中值为噪声点,则自适应地增大滤波窗口以取新的中值.如果窗口增大到允许的最大尺寸时,中值依然为噪声点,则取滤波窗口中除灰度极值外的其他像素的灰度均值.对标准图像和医学图像进行仿真实验,实验结果和数据证明,随着噪声密度的增大,标准的自适应中值滤波算法的滤波性能递减;改进的自适应中值滤波算法的滤波性能依然良好,在有效滤除噪声的同时,很好地保持图像的边缘和细节部分.